[发明专利]一种基于深度神经网络加速的快速块分割编码方法和装置

权利要求书

1.一种基于深度神经网络加速的快速块分割编码方法，其特征在于，包括：

根据至少一种网络剪裁策略，确定提前终止机制分层深度卷积神经网络模型中每层和每个级别上权重参数的保留比例，其中，所述根据至少一种网络剪裁策略，确定提前终止机制分层深度卷积神经网络模型中每层和每个级别上权重参数的保留比例，包括以下三种策略：恒定权重参数保留比例、级间自适应权重参数保留比例和级间和层间自适应权重参数保留比例；

结合时间复杂度和率-失真性能，在至少一种网络裁剪策略中选出一种网络裁剪策略，通过设置不同的权重参数的保留比例，得到不同复杂度的提前终止机制分层深度卷积神经网络模型；

对不同的编码树单元中的编码单元分割采用所述不同复杂度的提前终止机制分层深度卷积神经网络模型进行预测。

2.根据权利要求1所述的方法，其特征在于，所述对不同的编码树单元中的编码单元分割采用不同复杂度的提前终止机制分层深度卷积神经网络模型进行预测，包括：

使得提前终止机制分层深度卷积神经网络模型的复杂度接近目标复杂度。

3.根据权利要求1所述的方法，其特征在于，所述对不同的编码树单元中的编码单元分割采用不同复杂度的提前终止机制分层深度卷积神经网络模型进行预测，包括：

当编码树单元输入提前终止机制分层深度卷积神经网络模型时，进行预处理得到预处理后的数据；

对所述预处理后的数据经过至少一个卷积层操作后提取纹理特征；所述预处理与卷积层操作均在并行的支路中进行；

所述卷积层操作完成后，将并行的支路的特征图伸直，连接成一个特征向量；

将所述特征向量再次在并行的支路中进行处理后，通过全连接层提取抽象特征，经至少一个全连接层处理后得到分层编码单元分割图；其中，所述预处理包括：降采样和去均值。

4.根据权利要求3所述的方法，其特征在于，将量化参数值作为一个外部特征，添加到至少一个全连接层中；

所述预处理包括：降采样和去均值。

5.根据权利要求3所述的方法，其特征在于，所述当编码树单元输入终止机制分层深度卷积神经网络模型时，

对于帧内模式，提前终止机制分层深度卷积神经网络模型的输入是原始帧中的一个亮度编码树单元；

对于帧间模式，提前终止机制分层深度卷积神经网络模型的输入是从快速预编码过程生成的残差帧中的亮度编码树单元。

6.一种基于深度神经网络加速的快速块分割编码装置，其特征在于，包括：

确定模块：用于根据至少一种网络剪裁策略，确定提前终止机制分层深度卷积神经网络模型中每层和每个级别上权重参数的保留比例，其中，所述确定模块根据至少一种网络剪裁策略，确定提前终止机制分层深度卷积神经网络模型中每层和每个级别上权重参数的保留比例，包括以下三种策略：恒定权重参数保留比例、级间自适应权重参数保留比例和级间和层间自适应权重参数保留比例；

设置模块：用于结合时间复杂度和率-失真性能，在至少一种网络裁剪策略中选出一种网络裁剪策略，通过设置不同的权重参数的保留比例，得到不同复杂度的提前终止机制分层深度卷积神经网络模型；

预测模块：用于对不同的编码树单元中的编码单元分割采用所述不同复杂度的提前终止机制分层深度卷积神经网络模型进行预测。

7.根据权利要求6所述的装置，其特征在于，预测模块，用于所述对不同的编码树单元中的编码单元分割采用所述不同复杂度的提前终止机制分层深度卷积神经网络模型进行预测，包括：

使得提前终止机制分层深度卷积神经网络模型的复杂度接近目标复杂度。

8.根据权利要求6所述的装置，其特征在于，所述对不同的编码树单元中的编码单元分割采用不同复杂度的提前终止机制分层深度卷积神经网络模型进行预测，包括：

当编码树单元输入提前终止机制分层深度卷积神经网络模型时，进行预处理得到预处理后的数据；

对所述预处理后的数据经过至少一个卷积层操作后提取纹理特征；所述预处理与卷积层操作均在并行的支路中进行；

所述卷积层操作完成后，将并行的支路的特征图伸直，连接成一个特征向量；

将所述特征向量再次在并行的支路中进行处理后，通过全连接层提取抽象特征，经至少一个全连接层处理后得到分层编码单元分割图。